Übersicht
Worum es bei diesem Projekt geht.
Trainiere einen CNN und einen Transformer auf 18.000 Hydrofonaufnahmen, vergleiche Mikro- und Macro-F1 und erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Detektiere Schiffe, Stoerungen und Wale auf Hydrofon-Audiosignalen mit Multi-Label-Genauigkeit, die regulatorische Berichte ersetzen kann.
Earning criteria — what you'll demonstrate
- Audio-Daten in Bild-aehnliche Repraesentationen (Mel-Spektrogramme) konvertieren
- Multi-Label-Klassifikation mit den richtigen Verlust-Funktionen (BCEWithLogitsLoss) implementieren
- Mikro- vs. Macro-F1 verstehen und situationsabhaengig waehlen
- CNN- vs. Transformer-Modelle fair gegeneinander stellen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Machine Perception
Master · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenComputer Vision Engineer
Spektrogramm-basierte Audio-Klassifikation nutzt dieselben Backbone-Architekturen wie Computer Vision — daher Kern-Skill fuer Vision-Engineers, die Wahrnehmung breit aufgestellt sehen wollen.
Dieses Projekt schärft
- spectrograms
- deep-learning
- pytorch
ML Researcher
CNN- und Transformer-Modelle auf einem realen industriellen Datensatz fair zu vergleichen ist klassische ML-Forschung in regulierten Anwendungen.
Dieses Projekt schärft
- audio-classification
- multi-label-classification
- model-evaluation
Machine Learning Engineer
Eine Audio-Pipeline fuer regulatorische Berichterstattung produktionsreif zu trimmen ist die Engineering-Arbeit in Energieinfrastruktur-Teams.
Dieses Projekt schärft
- audio-classification
- pytorch
- model-evaluation
Noch eine Sache